Pigsty v3.5.0 Beta2发布:PostgreSQL 18支持与全面升级
Pigsty是一个开源的PostgreSQL数据库管理平台,它提供了一整套从部署、监控到管理的解决方案。作为一个"PostgreSQL in a Box"项目,Pigsty将PostgreSQL与丰富的扩展、监控工具和可视化界面打包在一起,让用户可以快速搭建生产级的数据库环境。
最新发布的Pigsty v3.5.0 Beta2版本带来了多项重要更新,其中最引人注目的是对即将发布的PostgreSQL 18的Beta支持。让我们深入了解一下这个版本的主要改进。
PostgreSQL 18 Beta支持
v3.5.0-b2版本首次提供了对PostgreSQL 18 Beta1的完整支持。这包括:
- 监控支持:通过pg_exporter 1.0.0版本实现了对PG18的指标收集
- 安装支持:pig CLI工具0.4.2版本新增了对PG18的安装能力
- 配置模板:新增了专门针对PG18的pg18.yml配置模板
这使得用户可以在PG18正式发布前就提前体验和测试新版本特性,为未来的升级做好准备。
架构与功能重构
本次版本对Pigsty的核心架构进行了重要重构:
- 监控功能分离:将监控相关功能从pgsql模块中分离出来,形成独立的pg_monitor角色
- 任务清理:移除了冗余的清理逻辑,精简了任务结构
- 模板标准化:统一了模板命名规范,移除了.j2后缀
- 扩展管理:所有扩展现在默认安装在extensions模式中,遵循Supabase的最佳实践
这些改进使得系统架构更加清晰,维护更加方便。
安全与稳定性增强
在安全方面,v3.5.0-b2版本引入了多项改进:
- PgBouncer调优:增大了连接池规模,优化了清理查询,新增了pgbouncer_ignore_param参数
- 密钥管理:新增pg_key任务用于生成pgsodium主密钥
- 复制槽同步:在PG17上默认启用了sync_replication_slots功能
Supabase支持强化
针对自托管的Supabase环境,本版本进行了多项优化:
- 容器与模式更新:同步到最新版本的Supabase组件
- 密钥加载:支持pgsodium服务器密钥的自动加载
- 延迟问题修复:通过supa-kick定时任务解决了Logflare延迟问题
- 搜索路径设置:为监控函数添加了明确的search_path设置
监控栈全面升级
监控系统在这个版本中得到了全面刷新:
- Grafana升级至12.0.0版本
- pg_exporter升级至1.0.0版本
- 新增了对TimescaleDB和Citus的监控指标支持
- 使用了更紧凑的收集器配置文件设计
扩展生态丰富
Pigsty v3.5.0-b2捆绑了多达421个PostgreSQL扩展,包括:
- 新增了对OrioleDB和OpenHalo内核的全平台支持
- 更新了TimescaleDB至2.20.0版本(放弃了对PG14的支持)
- 更新了Citus至12.0.3版本
- 新增了spat、pgsentinel等多个新扩展
CLI工具改进
pig命令行工具新增了do命令,可以完全替代原有的bin/目录下的脚本,提供了更统一的命令行体验。
基础设施组件更新
底层基础设施组件也同步到了最新版本:
- 数据库组件:PostgreSQL各版本更新至最新维护版本
- 中间件:PGBouncer升级至1.24.1,PgBackRest升级至2.55
- 工具链:DuckDB升级至1.3.0,etcd升级至3.6.0
总结
Pigsty v3.5.0 Beta2是一个功能丰富的中期版本,它不仅为即将到来的PostgreSQL 18做好了准备,还对系统架构进行了重要优化,增强了安全性和稳定性。特别是对Supabase环境的支持改进和监控系统的全面升级,使得Pigsty作为一个完整的PostgreSQL解决方案更加成熟可靠。
对于计划评估PostgreSQL 18新特性的用户,或者需要构建现代化PostgreSQL基础设施的团队,这个版本都值得关注和试用。随着正式版的临近,我们可以期待Pigsty将继续保持与PostgreSQL生态系统的紧密同步。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00